OpenCV人脸识别，训练模型为cv2.face.LBPHFaceRecognizer_create()
OpenCV内部自带有三种人脸检测方式LBPH人脸识和其他两种方法（Eigen人脸识别，FisherFace人脸识别）本次主要说明第一种方式LBPH检测。
【Keras+计算机视觉+Tensorflow】OCR文字识别实战（附源码和数据集 超详细必看）
【Keras+计算机视觉+Tensorflow】OCR文字识别实战（附源码和数据集 超详细必看）
Opencv图像特征点提取(
Opencv三种特征ORB、SIFT、SURF特征介绍，图像金字塔，灰度质心法
多模态融合相关概念
多模态图像融合
Attention Mechanisms in Computer Vision: A Survey综述详解
2021年11月16日，清华大学计图团队和南开大学程明明教授团队、卡迪夫大学Ralph R. Martin教授合作，在ArXiv上发布关于计算机视觉中的注意力机制的综述文章[1]。该综述系统地介绍了注意力机制在计算机视觉领域中相关工作，并创建了一个仓库。该综述论文的第一作者是胡事民教授的博士生国孟昊
GAN系列之 pix2pixGAN 网络原理介绍以及论文解读
pix2pix GAN主要用于图像之间的转换，又称图像翻译。图像处理的很多问题都是将一张输入的图片转变为一张对应的输出图片，端到端的训练。 如果要根据每个问题设定一个特定的loss function 来让CNN去优化，通常都是训练CNN去缩小输入跟输出的欧氏距离，但这样通常会得到比较模糊的输出。
常见三维表示方法
三维表示是机器视觉的一项关键技术，它能直观的反映物体的形状，与我们熟悉的二维表示相比，三维表示带有深度信息，因此有效的三维表示是实现三维模型重建、三维目标检测、场景语义分割等机器视觉任务的重要关键，在机器人、AR/VR、人机交互、遥感测绘等领域有着广泛的应用前景。
Mask RCNN详解
MaskR-CNN是对FasterR-CNN的直观扩展，网络的主干有RPN转换为主干网络为ResNet的添加了一个分支用于预测每个感兴趣区域(RoI)上的分割掩模，与现有的用于分类和边界盒回归的分支并行（图1）。
用Cmake 编译OpenCV常见的错误
minGW32-make遇到的错误1：[ 37%] Linking CXX shared library …\bin\libopencv_core341.dllCMakeFiles\opencv_core.dir/objects.a: member CMakeFiles\opencv_core.di
【Make YOLO Great Again】最终版本YOLOv1-v7全系列大解析（全网最详细汇总篇）
全网最详细YOLOv1-v7全系列大解析汇总篇
MMLab
MMLabMMLab的主要研究方向：机器学习、强化学习、半监督/弱监督/自监督学习等方向的前沿方法和理论长视频理解、3D视觉、生成模型等的计算机视觉新兴方向物体检测、动作识别等核心方向的性能突破深度学习的创新应用探索，以及与医疗、社会科学、艺术创作等领域的交叉创新深度学习时代，算法与计算、系统框架、
相机模型、相机标定及基于yolov5的单目测距实现
相机模型、相机标定及基于yolov5的单目测距实现1 前言2 相机模型及单目测距原理3 相机参数标定3.1 内参矩阵3.2 内参标定1 前言在摄像头成像过程中，物体反射的光线通过摄像头的凸透镜打在成像器件上，形成一张图片。这是一个三维物体转换为二维图像的过程。在这个过程中，丢失了物体的深度信息，所以
绝了，超越YOLOv7、v8,YOLOv6 v3.0正式发布
YOLOv6 全新版本v3.0正式发布！引入新的网络架构和训练方案，其中YOLOv6-S以484 FPS的速度达到45.0% AP，超过YOLOv5-S、YOLOv8-S，其代码刚刚开源。由于前段时间Ultralytics公司透露出V8的发布消息，美团也坐不住了，YOLO社区一直情绪高涨！随着中
毕业设计-基于深度学习火灾烟雾检测识别系统-yolo
毕业设计-基于深度学习火灾烟雾检测识别系统-yolo
最详细的YOLO-V5模型配置文件yaml结构理解
YOLO-V5模型配置文件yaml结构详解
pytorch2.0安装与体验
pytorch2.0 相对1.x进行了大版本更新，向下兼容！！！！通过官网阅读可知他最大的更新是torch.compile()，通过编译的方式，用一行代码实现模型的稳定加速。这个语句返回一个原来模型的引用，但是将forward函数编译成了一个更优化的版本。PyTorch 2.0 中支撑 torch.
目标检测--边框回归损失函数SIoU原理详解及代码实现
对目标检测边框回归的SIoU损失函数进行原理详解及代码实现
yolov7数据集格式用于目标识别与实例分割
解释yolov7目标识别与实例分割使用的数据集格式
经典神经网络论文超详细解读（七）——SENet（注意力机制）学习笔记（翻译＋精读＋代码复现）
SENet论文（《Squeeze-and-Excitation Networks》）超详细解读。翻译＋总结。文末有代码复现
【YOLOV5-6.x讲解】数据增强方式介绍+代码实现
数据增强的作用：分割需要在像素级别进行标签标注，一些专业领域的图像标注，依赖于专业人士的知识素养，在数据集规模很小的情况，如何提高模型的表现力迁移学习：使得具有大量标注数据的源域帮助提升模型的训练效果数据增强 学习到空间的不变形，像素级别的不变形特征都有限，利用平移，缩放，旋转，改变色调值等方法，让
